Artificial intelligence driven framework for enhancing sustainability and resilience in communal cattle insurance in Lupane District Zimbabwe
Nyasha Nyakuchena · Joseph P. Musara · Emmanuel Zivenge
研究提出AI驱动的三模块框架，以提升津巴布韦Lupane地区社区牛保险的可持续性和韧性。
对219户农户进行问卷调查，用二元逻辑回归分析，并设计CNN、RNN和Trans
可负担性和意识是保险采纳的最强决定因素，机构信任也显著影响采纳意愿。
可验证TMAIE框架在类似地区的适用性，并探索AI语音交互对低教育水平农户保险采纳的长期影响。
以津巴布韦Lupane地区社区养牛保险为对象，提出融合CNN牛只识别、NDVI遥感触发与本地语言NLP的AI框架，方法具体、数据扎实，但属区域性案例研究，对国内农业信息化有借鉴意义而非直接影响。
撒哈拉以南非洲的社区养牛业持续面临非线性气候变率的冲击，然而保险渗透率仍然微不足道。在津巴布韦卢潘内区，尽管反复发生的干旱威胁着家庭生计，但参保率仍极低，约为0.01%。本研究旨在开发一个人工智能驱动的框架，以提升该区社区养牛保险的可持续性和韧性。本研究以实证主义研究哲学为指导，采用定量研究方法。应用Kothari样本量确定公式，从分布于23个选区4个村庄的49841名社区养牛户总体中，推导出具有统计代表性的219户样本。数据通过KoboCollect采集，传输至安全服务器，并使用JAMOVI 2.6.44版本进行分析。描述性统计表明，大多数农户为男性（62%），平均年龄47岁，牛群规模为3至25头。教育水平普遍较低，54%报告仅接受过小学教育，仅12%拥有中学或更高学历。收入来源大多以自给自足为基础，71%的受访者将牛作为其主要资产。二元逻辑回归显示，可负担性（β = 1.25，p < 0.01）和认知度（β = 0.99，p < 0.01）是参保的最强决定因素，而制度信任（β = 0.74，p < 0.05）则是参保意愿的显著直接预测因素。本研究在理论上以技术接受模型（TAM）为锚点，该模型解释了感知有用性和感知易用性如何影响采纳行为。基于目标1和目标2的研究结果，本研究提出了三模块人工智能韧性引擎（TMAIE）。TMAIE整合了用于牛只生物特征识别的卷积神经网络（CNN）、用于卫星衍生NDVI指数触发的循环神经网络（RNN），以及基于Transformer的、以恩德贝莱语和绍纳语本地化的自然语言处理（NLP），以实现包容性的语音访问。研究结果表明，采纳并非线性过程，而是一种需要技术和社会机制共同作用的自适应演化。所提出的框架通过整合技术精确性与社区中介来反映这些关系。总体而言，研究结果提供了关于养牛保险采纳决定因素的实证证据，并为